kontan.co.id
banner langganan top
| : WIB | INDIKATOR |
KOLOM / bigdata

Mau satu, jadinya dua?!

oleh Feris Thia - Founder of Lightora UMN Incubator


Rabu, 20 April 2016 / 16:17 WIB
Mau satu, jadinya dua?!

Reporter: Feris Thia | Editor: mesti.sinaga

E-commerce atau toko online, saat ini, berkembang dengan pesat di Indonesia. Banyak sekali yang ketagihan karena kemudahannya, namun juga cukup banyak yang mengalami pengalaman buruk di beberapa layanan belanja online tersebut sehingga enggan untuk kembali lagi sebagai pelanggan.

Tidak sedikit yang baru mencoba berbelanja di toko online, namun sejumlah orang sudah mencobanya sejak lama pada layanan sejenis yang sudah sangat terkenal di luar seperti Amazon.

Nah, pada artikel kali ini penulis ingin mencoba mengupas salah satu fitur yang membuat Amazon populer dan sangat sukses dengan bisnisnya, yaitu product recommendation.

Untuk mencontohkan efek fitur ini, mari kita bayangkan seorang ibu muda bernama Santi yang ingin membeli popok bayi di Amazon. Setelah mencari dan mendapatkan merek popok bayi yang diinginkan, produk tersebut dimasukkan ke keranjang belanja.

Tapi di halaman yang sama muncul banyak rekomendasi produk lain seperti tas khusus perlengkapan bayi yang bisa menyimpan botol susu dan popok ukuran kecil. Bentuknya ringkas, lucu dan masih sesuai anggaran.

Kelihatan menarik dan dibutuhkan, akhirnya Santi menambahkan tas tersebut ke keranjang belanja dan menyelesaikan pembayaran. Dari rencana satu, akhirnya Santi membeli dua produk.

Pernahkah Anda mengalami hal yang sama?

Strategi merchandising

Sistem rekomendasi ini merupakan hasil dari proses data mining yang disebut dengan teknik market basket analysis (MBA). Teknik ini tidak hanya diterapkan di e-commerce, namun bisa untuk industri ritel pada umumnya.

Dengan MBA, perusahaan dapat menganalisa perilaku seluruh pelanggan melalui daftar yang dilakukan dalam satu struk belanja. Hasilnya adalah penemuan pola belanja secara umum.

Misalkan jika ada yang membeli produk A, maka ada 90% kemungkinan akan membeli produk B dan 75% kemungkinan membeli kategori C.

Berpegang pada insight tersebut, banyak hal yang bisa dilakukan, mulai dari strategi merchandising, paket produk, promosi, dan penempatan visual produk di rak fisik maupun pada halaman web.

Kembali ke Amazon, pada kuartal kedua tahun 2012 perusahaan mencapai peningkatan penjualan sebesar 29%. Salah satu penyebabnya adalah penerapan fitur ini pada banyak lini proses pembelian di halaman e-commerce tersebut.

Perusahaan-perusahaan ritel brick and mortal sudah sangat sadar akan cerita sukses Amazon dan ikut menerapkan MBA. Pemajangan dan peletakan produk diperbaiki menjadi lebih baik sesuai insight per cabang.

Promosi cross-sell dan up-sell dapat dilakukan dengan sangat terencana dan terarah. Strategi merchandising yang lebih smart juga menyebabkan masalah inventori banyak berkurang.

Namun implementasi ini bukan tanpa kendala, salah satunya adalah kualitas data. Banyaknya item produk dan pelanggan, sistem entri yang terpisah antara inventori dan penjualan, dan human error dapat menyebabkan data menjadi kotor dan berakhir dengan kesalahan analisis.

Langkah awal sebagai solusi adalah melakukan data cleansing seperti menghilangkan data duplikat. Proses data enrichment seperti melengkapi data geografis dari teks alamat juga dilakukan.

Proses perbaikan kualitas data ini bisa memakan waktu panjang jika tidak menerapkan best practice dan tools yang tepat. Selain MBA dan data cleansing, banyak metode data management dan data mining yang dapat diterapkan di ritel ataupun industri lainnya.



TERBARU

×